import keras import tensorflow as tf from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout, Flatten from keras.layers import Conv2D, MaxPooling2D, AveragePooling2D import numpy as np import pandas as pd from sklearn.metrics import classification_report, confusion_matrix import matplotlib.pyplot as plt import seaborn as sn from tensorflow.keras.preprocessing.image import load_img, img_to_array, array_to_img

batch_size = 32 # Exemplos utilizados para um determinado processo num_classes = 2 # classe de imagens possui 2 classes [Cachorros e Gatos] dropout = 0.5 epochs = 25 lr = 0.001 #taxa de aprendizado ou otimização de erro

base_model = tf.keras.applications.ResNet50(weights='imagenet', include_top=False) x = base_model.output # pegamos todos os pesos de saída do modelo pré treinado e jogamos para a variavel x

base_model = tf.keras.applications.ResNet50(weights='imagenet', include_top=False) x = base_model.output # pegamos todos os pesos de saída do modelo pré treinado e jogamos para a variavel x # #adiciona apos x uma camada densa com 2 neuronios (duas classes) com funcao de ativacao softmax (distribuicao de probabilidade). Atribui este no a preds # preds=tf.keras.layers.Dense(2, activation='softmax')(x) # #criando o objeto do modelo # model=tf.keras.models.Model(inputs=base_model.input,outputs=preds) #adiciona apos x uma camada AveragePooling2D e atribui este no a x novamente (logo x e o topo novamente) x=tf.keras.layers.GlobalAveragePooling2D()(x) #adiciona apos x uma camada densa com 32 neuronios com funcao de ativacao relu. Atribui este no a x novamente x=tf.keras.layers.Dense(256,activation='relu')(x) #adiciona apos x uma camada densa com 64 neuronios com funcao de ativacao relu. Atribui este no a x novamente x=tf.keras.layers.Dense(128,activation='relu')(x) #adiciona apos x uma camada densa com 128 neuronios com funcao de ativacao relu. Atribui este no a x novamente x=tf.keras.layers.Dense(64,activation='relu')(x) #adiciona após x os neurônios que devem ser utilizados, nesse caso foram desligados 20% dos neuronios x=tf.keras.layers.Dropout(dropout)(x) #adiciona apos x uma camada densa com 2 neuronios (duas classes) com funcao de ativacao softmax (distribuicao de probabilidade). Atribui este no a preds preds=tf.keras.layers.Dense(2,activation='softmax')(x) #definindo modelo final model=tf.keras.models.Model(inputs=base_model.input,outputs=preds)

model.summary()

for l in model.layers: if l.name.split('_')[0] != 'dense': l.trainable=False else: l.trainable=True

#inicializando o objeto que ira recuperar as amostras de treino com a funcao de pre-processamento da InceptionV3 train_data_gen = tf.keras.preprocessing.image.ImageDataGenerator(preprocessing_function=tf.keras.applications.inception_v3.preprocess_input) #included in our dependencies #inicializando o objeto que ira recuperar as amostras de teste com a funcao de pre-processamento da InceptionV3 test_data_gen = tf.keras.preprocessing.image.ImageDataGenerator(preprocessing_function=tf.keras.applications.inception_v3.preprocess_input) #definindo a origem das imagens de treino. Este ponto de origem deve possuir pastas separando as amostras em classes, onde os nomes das pastas devem ser os mesmos das classes [TREINO] train_generator = train_data_gen.flow_from_directory('archive/dataset/training_set', target_size=(28, 28), batch_size=batch_size, shuffle=True) #definindo a origem das imagens de test. Este ponto de origem deve possuir pastas separando as amostras em classes, onde os nomes das pastas devem ser os mesmos das classes [TESTE] test_generator = train_data_gen.flow_from_directory('archive/dataset/test_set', target_size=(28, 28), batch_size=16, shuffle=True)

#definicao do otimizador, fucao de custo e metrica model.compile(optimizer='Adam',loss='categorical_crossentropy',metrics=['accuracy']) #definicao dos steps step_size_train=train_generator.n//train_generator.batch_size step_size_test = test_generator.n//test_generator.batch_size #treinando e testando o modelo history = model.fit_generator(generator=train_generator, steps_per_epoch=step_size_train, epochs=epochs, validation_data=test_generator, validation_steps=step_size_test)

results = model.evaluate_generator(test_generator, 15) print('Acc: %.3f, Loss: %.3f' % (results[1], results[0]))

plt.title('Loss') plt.plot(history.history['loss'], label='train') plt.plot(history.history['val_loss'], label='test') plt.legend() plt.show() # Criando graficos para visualização dos resultados print() print() plt.title('Accuracy') plt.plot(history.history['accuracy'], label='train') plt.plot(history.history['val_accuracy'], label='test') plt.legend() plt.show()

predictions = model.predict_generator(test_generator) y_pred = (predictions > 0.5) print(y_pred.argmax(axis=1)) classification = classification_report(test_generator.classes, y_pred.argmax(axis=1), target_names=['cats', 'dogs']) print('----------------CLASSIFICATION--------------') print(classification) print('----------------Matrix de Confusão--------------') matrix = confusion_matrix(test_generator.classes, y_pred.argmax(axis=1)) df_cm = pd.DataFrame(matrix, index = [i for i in range(2)], columns = [i for i in range(2)]) plt.figure(figsize = (10,7)) sn.heatmap(df_cm, annot=True, linewidths=2.5)